論文の概要: Equivariant Quantum Clustering with Differential Privacy: Parameter-Efficient Privacy-Preserving Analysis Across Heterogeneous Sensitive Datasets

• arxiv url: http://arxiv.org/abs/2607.08092v1
• Date: Thu, 09 Jul 2026 04:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.408714
• Title: Equivariant Quantum Clustering with Differential Privacy: Parameter-Efficient Privacy-Preserving Analysis Across Heterogeneous Sensitive Datasets
• Title（参考訳）: 差分プライバシを持つ等変量子クラスタリング:不均一感性データセット間のパラメータ効率のよいプライバシ保存分析
• Authors: B. M. Taslimul Haq, Md Arifur Rahman, Tawfiq Al Islam Foysal, Abdullah Al Noman, Abir Ahmed,
• Abstract要約: プライバシ保護クラスタリングは、医療、サイバーセキュリティ、エンタープライズアプリケーションにおける機密データを分析するために重要である。 本稿では、対称性を意識した量子回路と差分プライバシーを統合し、プライバシーとユーティリティのトレードオフを改善するためのパラメータ効率のフレームワークであるEQCを提案する。 このフレームワークは、NSL-KDD、CERT Insider Threat v6.2、合成MIMIC-III臨床データセットの3つのプライバシーに敏感なデータセットで評価されている。
• 参考スコア（独自算出の注目度）: 0.7919969809015935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy-preserving clustering is critical for analyzing sensitive data in healthcare, cybersecurity, and enterprise applications, where maintaining data confidentiality must be balanced with analytical performance. This paper presents Equivariant Quantum Clustering (EQC), a parameter-efficient framework that integrates symmetry-aware quantum circuits with differential privacy to improve the privacy-utility tradeoff. EQC employs p4m equivariant parameter sharing to reduce circuit complexity while preserving informative feature representations. The framework is evaluated on three privacy-sensitive datasets: NSL-KDD, CERT Insider Threat v6.2, and a synthetic MIMIC-III clinical dataset. On the NSL-KDD benchmark, EQC achieves 79.3% clustering accuracy while reducing membership inference attack success to 38.3% under a privacy budget of ε = 1.0 and δ = 10^-5, outperforming representative classical and quantum baselines. Ablation studies indicate that the performance gains primarily arise from parameter-efficient circuit design combined with differential privacy. The results demonstrate that EQC provides a practical quantum-ready framework for secure and privacy-preserving clustering across heterogeneous sensitive datasets.
• Abstract（参考訳）: プライバシ保護クラスタリングは、医療、サイバーセキュリティ、エンタープライズアプリケーションにおける機密データを分析するために重要である。 本稿では、対称性を意識した量子回路と差分プライバシーを統合し、プライバシーとユーティリティのトレードオフを改善するためのパラメータ効率のフレームワークであるEQCを提案する。 EQCは、情報的特徴表現を保持しながら回路の複雑さを低減するために、p4m同変パラメータ共有を用いる。 このフレームワークは、NSL-KDD、CERT Insider Threat v6.2、合成MIMIC-III臨床データセットの3つのプライバシーに敏感なデータセットで評価されている。 NSL-KDDベンチマークでは、EQCは79.3%のクラスタリング精度を達成し、ε = 1.0とδ = 10^-5のプライバシー予算の下で会員推論攻撃の成功を38.3%に減らした。 アブレーション研究は、主にパラメータ効率の高い回路設計と差分プライバシーの組み合わせによる性能向上を示唆している。 その結果、EQCは、不均一なセンシティブなデータセットにまたがる、セキュアでプライバシ保護のクラスタリングのための実用的な量子可読フレームワークを提供することを示した。

関連論文リスト

• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• Black-Box Auditing of Quantum Model: Lifted Differential Privacy with Quantum Canaries [27.661393333662474]
  量子機械学習(QML)は、計算上の大きな利点を約束するが、個々のレコードを記憶する機密データリスクに基づいて訓練されたモデルである。 我々は,量子差分プライバシーに基づくQMLのための最初のブラックボックスプライバシ監査フレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-12-16T13:26:41Z)
• Topological Federated Clustering via Gravitational Potential Fields under Local Differential Privacy [46.295754114458134]
  既存のワンショット方式は不安定なペアワイド・セントロイド距離や近隣のランキングに依存している。 本稿では,プライバシー保護型フェデレーションクラスタリングの新しいアプローチであるGravitational Federated Clustering(GFC)を提案する。 GFCは、民営化したクライアントセントロイドを大域重力ポテンシャル場に変換する。
  論文  参考訳（メタデータ） (2025-11-30T11:41:16Z)
• Spectral Graph Clustering under Differential Privacy: Balancing Privacy, Accuracy, and Efficiency [53.98433419539793]
  エッジ差分プライバシー(DP)下におけるスペクトルグラフクラスタリングの問題点について検討する。 具体的には, (i) エッジフリップによるグラフ摂動と, エッジプライバシを強制する隣接行列シャッフルを併用したグラフ摂動, (ii) 次元と複雑性の複雑さを低減するために低次元空間における加法的ガウス雑音を伴うプライベートグラフプロジェクション, (iii) 収束性を維持しながらエッジDPを確保するために反復的にガウス雑音を分散するノイズの多いパワーイテレーション手法である。
  論文  参考訳（メタデータ） (2025-10-08T15:30:27Z)
• Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
  AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。 我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
  論文  参考訳（メタデータ） (2025-07-13T15:29:14Z)
• AdeptHEQ-FL: Adaptive Homomorphic Encryption for Federated Learning of Hybrid Classical-Quantum Models with Dynamic Layer Sparing [0.0]
  フェデレートラーニング(FL)は、モデルパフォーマンス、プライバシ保護、通信効率のバランスをとる上で、固有の課題に直面します。 本稿では,CNN-PQCアーキテクチャを統合した分散古典量子FLフレームワークであるAdeptHEQ-FLを紹介する。 我々は、正式なプライバシー保証を確立し、収束分析を提供し、CIFAR-10、SVHN、Fashion-MNISTデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2025-07-09T22:29:02Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• $(ε, δ)$-Differentially Private Partial Least Squares Regression [1.8666451604540077]
  我々は,モデルに基づくデータのプライバシーを確保するために,$(epsilon, delta)$-differentially private PLS (edPLS)アルゴリズムを提案する。 実験により、EDPLSはトレーニングデータに固有の変動源を回復することを目的とした、効果的なプライバシー攻撃を施すことが示されている。
  論文  参考訳（メタデータ） (2024-12-12T10:49:55Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。